Машинско учење. Стручни - бесплатни курс од Отуса, обука 5 месеци, Датум: 02.12.2023.

мисцеланеа / by admin / December 05, 2023

click fraud protection

Доследно ћете савладати савремене алате за анализу података и моћи ћете да креирате моделе машинског учења на професионалном нивоу. Да бисте консолидовали своје вештине са сваким алгоритмом, обавићете читав низ послова од припреме скупа података до анализе резултата и припреме за производњу. Пракса и знање које ћете добити биће довољни да самостално решавате класичне МЛ проблеме и конкуришете за позиције Јуниор+ и Миддле Дата Сциентист.

Портфолио пројекти

Током курса ћете завршити неколико портфолио пројеката и научити како да компетентно представите резултате свог рада како бисте прошли интервјуе. За свој коначни пројекат можете узети једну од опција које је предложио наставник или имплементирати своју идеју.

За кога је овај курс?

За аналитичаре почетнике и научнике података. Курс ће вам помоћи да систематизујете и продубите своје знање. Моћи ћете да експериментишете са приступима, анализирате радне случајеве и добијете висококвалитетне повратне информације од стручњака.

За програмере и специјалисте у другим областима који желе да промене своју професију и да се развијају у области науке о подацима. Курс ће вам пружити прилику да изградите снажан портфолио и уроните у атмосферу стварних задатака као научник података.

instagram viewer

Да бисте научили, биће вам потребно Питхон искуство на нивоу писања сопствених функција, као и познавање математичке анализе, линеарне алгебре, теорије вероватноће и математике. статистика.

Карактеристике курса

Најбоље праксе и трендови. Сваким покретањем, програм се ажурира како би одражавао трендове у науци о подацима који се брзо мењају. Након обуке, моћи ћете одмах да почнете да радите на стварним пројектима.

Важне секундарне вештине. Курс обухвата теме које се обично занемарују, али су неопходне специјалисти за свакодневне послове и које послодавци високо цене:
— изградњу система за аутоматско тражење аномалија;
— предвиђање временских серија коришћењем машинског учења;
— енд-то-енд цевоводе за рад са подацима, спремни за имплементацију у производњу.

Креативна атмосфера и услови блиски реалним радним процесима. Цео курс је изграђен као симулатор свакодневног радног живота научника података, где ћете морати да се носите са „прљаве“ податке, унапред израчунајте своје акције, експериментишите са решењима и припремите моделе производње У овом случају биће вам потребна радозналост, истрајност и жеђ за новим искуствима.

Марија Тихонова

наравно

Ради као аналитичар података у АГИ НЛП тиму у Сбербанци. Ради на језичким моделима неуронских мрежа и њиховој примени у проблемима из стварног живота. Верује да рад у области науке о подацима пружа јединствену...

Ради као аналитичар података у АГИ НЛП тиму у Сбербанци. Ради на језичким моделима неуронских мрежа и њиховој примени у проблемима из стварног живота. Он верује да рад у области науке о подацима пружа јединствену прилику да се раде луде кул ствари на ивици науке које мењају свет овде и сада. Предаје предмете из анализе података, машинског учења и науке о подацима на Вишој економској школи. Марија је дипломирала на Механичко-математичком факултету Московског државног универзитета и на Иандек школи за анализу података. Марија је тренутно апсолвент на Вишој економској школи на Рачунарском факултету. Њена истраживачка интересовања обухватају области науке о подацима као што су обрада природног језика и моделирање тема. Програм менаџер

Дмитри Сергеев

наравно

Бави се машинским учењем и анализом података од 2012. Тренутно ради као шеф истраживања и развоја у ВеатхерВелл-у. Има искуства у практичној примени машинског учења у развоју игара, банкарству и...

Бави се машинским учењем и анализом података од 2012. Тренутно ради као шеф истраживања и развоја у ВеатхерВелл-у. Има искуство у практичној примени машинског учења у развоју игара, банкарству и Хеалтх Тецх. Предавао је машинско учење и анализу података у Центру за математичке финансије Московског државног универзитета, а био је и гостујући предавач на Факултету рачунарских наука Више школе економије Националног истраживачког универзитета и разним летњим школама. Образовање: Економско-математички РЕУ им. Плеханов, Централни математичко-математички факултет Московског државног универзитета, напредна стручна обука Рачунарског факултета Више економске школе „Практична анализа података и машинско учење“, мр рачунарства Аалто Универзитетска група/интересовања: Питхон, машинско учење, временске серије, откривање аномалија, отворени подаци, МЛ за друштвене мреже Добро

Напредне технике машинског учења
-Тема 1. Уводни час. Поново погледајте основне концепте машинског учења са практичним примером
-Тема 2.Стабла одлучивања
-Тема 3.Питхон за МЛ: цевоводе, пандас убрзање, вишепроцесирање
-Тема 4.Моделски ансамбли
-Тема 5.Појачавање градијента
-Тема 6.Подршка векторска машина
-Тема 7.Методе редукције димензионалности
-Тема 8. Учење без наставника. К-средње, ЕМ алгоритам
-Тема 9. Учење без наставника. Хијерархијско груписање. ДБ-Сцан
-Тема 10. Проналажење аномалија у подацима
-Тема 11. Практична настава - Конструкција енд-то-енд цевовода и серијализација модела
-Тема 12.Алгоритми на графовима

Прикупљање података. Анализа текстуалних података.
-Тема 13.Прикупљање података
-Тема 14.Анализа текстуалних података. Део 1: Претходна обрада и токенизација
-Тема 15.Анализа текстуалних података. Део 2: Векторске репрезентације речи, рад са унапред обученим уграђивањем
-Тема 16.Анализа текстуалних података. Део 3: Препознавање именованих ентитета
-Тема 17.Анализа текстуалних података. Део 4: Моделирање тема
-Тема 18. Питања и одговори

Анализа временских серија
-Тема 19. Анализа временских серија. Део 1: Изјава о проблему, најједноставнији методи. АРИМА модел
-Тема 20. Анализа временских серија. Део 2: Екстракција карактеристика и примена модела машинског учења. Аутоматско предвиђање
-Тема 21. Анализа временских серија Део 3: Груписање временских серија (тражење повезаних берзанских котација)

Системи препорука
-Тема 22. Системи препорука. Део 1: Изјава о проблему, метрика квалитета. Колаборативно филтрирање. Хладан старт
-Тема 23. Системи препорука. Део 2: Филтрирање садржаја, хибридни приступи. Правила асоцијације
-Тема 24. Системи препорука. Део 3: Имплицитне повратне информације
-Тема 25. Практична настава о системима препоруке. Изненадјење
-Тема 26.Питања

Додатне теме
-Тема 27.Каггле МЛ обука бр.1
-Тема 28.Каггле МЛ обука бр.2
-Тема 29.МЛ у Апацхе Спарк
-Тема 30.Тражење послова Дата Сциенце

Пројектни рад
-Тема 31. Избор теме и организација рада на пројекту
-Тема 32. Консултације о пројектима и домаћим задацима
-Тема 33.Заштита пројектантских радова

Ознаке облак

мисцеланеа

Рејтинг

Прегледи

Коментари